CN110012473B - 基于群体智能移动代理协作感知方法、认知无线网络系统 - Google Patents
基于群体智能移动代理协作感知方法、认知无线网络系统 Download PDFInfo
- Publication number
- CN110012473B CN110012473B CN201910167672.4A CN201910167672A CN110012473B CN 110012473 B CN110012473 B CN 110012473B CN 201910167672 A CN201910167672 A CN 201910167672A CN 110012473 B CN110012473 B CN 110012473B
- Authority
- CN
- China
- Prior art keywords
- agent
- user
- agents
- master user
- sensing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/56—Provisioning of proxy services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/14—Spectrum sharing arrangements between different networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
- H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明属于认知无线网络技术领域,公开了一种基于群体智能移动代理协作感知方法、认知无线网络系统;初始化网络环境;初始化代理状态;代理判断是否需要移动;进行频谱感知;感知结果判定;判断迭代是否结束。本发明利用基于群体智能的移动代理对移动状态下的主用户进行感知,减少大量次级用户寻找可用频谱造成的能量损失;同时避免了次级用户在处于主用户覆盖范围外时无法检测到主用户而误认为此时主用户没有进行通信,对主用户的通信造成影响;在检测过程中利用粒子群算法,通过网络中代理的协同进行频谱感知,其收敛速度快、设置参数少、实现简单的特点可以满足功能单一的代理完成检测,提高了感知的可靠性。
Description
技术领域
本发明属于认知无线网络技术领域,尤其涉及一种基于群体智能移动代理协作感知方法、认知无线网络系统。
背景技术
目前,最接近的现有技术:5G网络在不久的将来将投入使用,其目标是让终端用户始终处于联网状态。在5G网络中,需要支持的设备除了智能手机,还有智能手表、健身腕带、智能音箱等。随时随地向任意用户、提供任何方式的高质量可靠的个性化服务成为未来无线网络的发展目标。然而,无线频谱的稀缺、能耗问题与高服务质量的网络业务需求之间的矛盾对无线网络的频谱接入提出了新的挑战。为解决目前频谱资源稀缺而频谱利用率不高的问题,认知无线网络(Cognitive Radio Networks,CRN)应运而生,其允许次级用户在不干扰主用户的前提下,通过感知频谱空洞伺机利用空闲频谱,有效提高频谱资源的利用率。但在传统的频谱感知方法中,都假设主用户和次级用户处于静止状态,没有考虑到实际应用中其同时处于运动的状态。动态环境可能会改变主用户与次级用户之间的相互距离,引起相关的阴影及开销,导致次级用户感知能力受到影响,而超出主用户辐射范围将导致次级用户无法感知到主用户频谱信息。
群体智能算法所表现出的高度灵活性,良好的环境适应性以及在非线性复杂问题中强大的搜索能力,为动态环境下的频谱感知提供了新方法和思路,其中,粒子群算法概念简明、收敛速度快、设置参数少、实现简单,通过已被广泛应用的代理技术,将每个代理视为粒子,可以有效地完成频谱感知。
现有技术一提出了一种基于粒子群优化(PSO)的方法——快速收敛PSO,用于带内局部频谱感知,权衡了感知时间和主用户吞吐量,提高了主用户的频谱利用率,并且它具有低复杂度,对能量受限的次级用户有很大帮助,但未考虑动态环境。
现有技术二研究了移动性对频谱感知的影响。对于具有能量检测的单个移动次级用户,研究表明没有来自其他用户的协作,CR用户移动性可以随着移动速度的增加而提高检测性能,以及当次级用户缓慢移动时,与其他用户合作比执行多次检测更有效。但此分析基于主用户处于静止状态,没有对主用户处于动态环境的情形进行研究。
综上所述,现有技术存在的问题是:传统认知无线网络技术标准都是基于电视频谱的使用,其覆盖范围广,次级用户的移动带来的影响可以忽略。但随着通信业务的增加,主用户将仅限于授权于电视的频谱。现有频谱感知方案中没有考虑主用户移动而造成的次级用户感知能力下降。当主用户的移动造成次级用户不再处于其覆盖范围内时,次级用户不再能接收到主用户信号,该状态下,次级用户可能会做出频谱空闲的判断,盲目地接入频谱,对主用户的通信造成影响;另一方面,次级用户的移动也可能造成相同的影响,但随着次级用户位置的变化,与不同区域次级用户的协作也可能会改善频谱感知的性能。
解决上述技术问题的难度:
研究动态环境下的频谱感知其主要问题在于,次级用户所接收的信号强度值会随着主用户及自身的移动而改变,从而导致对于主用户信号是否出现的判断变得困难;移动性参数的影响:确定影响检测性能的移动性参数及其与合作增益和合作开销的关系是一项挑战。如何选取协作用户也是研究的一个主要方向,其中,次级用户的移动速度,移动方向,用户的密度,或移动轨迹都会对感知性能造成影响。
解决上述技术问题的意义:
随着通信技术的发展和生活场景需要,无论是主用户还是次级用户,移动性都成为未来通信系统中的必要形态,如IEEE 802.22中的无线麦克风、应急网络,都属于主用户的动态环境。而5G网络的诞生使得可用频谱资源进一步减少,根据统计分析表明,许多通信频段存在空闲频谱,所以主用户可能是任何潜在的频谱资源,如蜂窝网络、WIFI、无线麦克风和军事通信系统等。因此,在动态环境下,快速、准确地进行频谱感知具有非常重要的现实意义。
发明内容
针对现有技术存在的问题,本发明提供了一种基于群体智能移动代理协作感知方法、认知无线网络系统。
本发明是这样实现的,一种基于群体智能移动代理协作感知方法,所述基于群体智能移动代理协作感知方法包括:
第一步,在网络中均匀地部署移动代理,主用户流量模型为on-off模型;
第二步,主用户移动遵循随机位点模型,在两次移动的期间有一个暂停时段;在主用户暂停时段开始时,代理进行初始化,包括速度,适应度值,自身最优位置,全局最优位置;
第三步,代理评估自身位置,判断是否需要移动,若所有的代理都不需要移动,转到第四步;
第四步,代理利用能量感知方法进行本地频谱感知,获得感知数据;
第五步,代理获取的感知数据与预先设置的门限作比较,得到最终的感知结果;特别地,如果20轮后还没有找到任何一个主用户,判断主用户处于off状态;
第六步,若在暂停时段感知到所有主用户,或已到达主用户下一次移动的时间,迭代停止;否则,转到第三步。
进一步,所述第三步中代理位置包括:
(1)代理不在任何一个主用户覆盖范围内,代理依照全局粒子群算法更新位置及速度;
(2)代理接受到的功率大于阈值,且感知同一主用户信号的代理数目未超过上限,则判断已经处于某一主用户覆盖范围内,速度与位置不再更新,该主用户覆盖范围内接收功率最大的一个代理位置成为全局最优位置;如果已经检测到的主用户由on状态转变为off状态,则当前全局最优位置不再改变,其余代理清除自身最优信息,变更为仅有社会模型的粒子群算法;
(3)代理接受到的功率大于阈值,但感知同一主用户信号代理数目超过上限;接收功率最弱的代理清除全局最优信息并初始化参数,转而寻找其它主用户。
进一步,所述第一步具体包括:在网络中均匀地部署移动代理,主用户流量模型为on-off模型;部署的移动代理具有认知模块、通信模块、存储模块控制移动模块;主用户处于通信的状态为on,暂未使用该频段的状态为off,可表示为:
进一步,所述第二步具体包括:主用户移动遵循随机位点模型,主用户在网络中随机均匀地选择目的地,移动过程中速度从[vmin,vmax]中随机选择;两次移动之间有一个暂停时间Tp,在该时间内主用户保持静止;然后根据相同的规则再次开始移动;主用户的暂停时段是公开的,通过网络获取存储在代理中在两次移动的期间有一个暂停时段;在主用户暂停时段开始时,代理进行初始化,包括速度,适应度值,自身最优位置,全局最优位置。
进一步,所述第三步具体包括:
代理不在任何一个主用户覆盖范围内,代理依照全局粒子群算法,模拟鸟群的捕食行为,每个个体效仿相邻个体的成功经验,搜索一个目标空间的最佳区域;每个代理被视作一个粒子,粒子群的概念被用于寻找正在通信中的主用户;在每次迭代中,代理朝着全局最优位置,即距离某一主用户最近、接收功率最大的代理移动,速度和位置更新依照以下公式进行:
vi(t+1)=ωvi(t)+c1r1(t)[ypb(t)-xi(t)]+c2r2(t)[ygb(t)-xi(t)]
xid(t+1)=xid(t)+vid(t+1)
其中,vi是粒子i在t时刻的速度,xi是粒子i在t时刻的位置,c1和c2是加速度常量,为正数,分别用来度量认知成分和社会成分对于速度更新的贡献r1、r2是在区间[0,1]上的随机数,ω是惯性权重,控制着粒子的惯性,衡量前一时刻的速度对于下次移动的影响,ypb(t)是自身最优位置,为t时刻代理i所经历的过的最优位置,ygb(t)是全局最优位置,为t时刻网络中所有代理所经历的最优位置;代理的位置评价根据接收功率的大小进行判定:
代理接受到的功率大于阈值,即主用户信号能够传播的最远位置的强度,且代理数目未超过上限:3个,则判断已经处于某一主用户覆盖范围内,速度与位置不再更新,该主用户覆盖范围内接收功率最大的一个代理位置成为全局最优位置;如果已经检测到的主用户由on状态转变为off状态,则当前全局最优位置不再改变,其余代理清除自身最优信息,变更为仅有社会模型的粒子群算法,不再参照代理自身所经历的最优位置,速度更新公式变更为:
vi(t+1)=ωvi(t)+c2r2(t)[ygb(t)-xi(t)];
代理接受到的功率大于阈值,但代理数目超过上限,接收功率最弱的代理清除全局最优信息并初始化参数,转而寻找其它主用户。
本发明的另一目的在于提供一种应用所述的基于群体智能移动代理协作感知方法的认知无线网络系统。
结合实验,对本发明进行进一步描述:
本发明的仿真运行系统为Intel(R)Core(TM)i7-2600CPU 650@3.40GHz,
64位Windows操作系统,仿真软件采用MATLAB(R2012b)。
设置主用户on概率为0.7,覆盖范围为100m,代理随机分布。当代理数目为6时,需要38轮达到停止条件;代理总移动距离为1245m;代理数目从6逐步增加到10,直到停止似的迭代轮数为11、9、6、5,代理移动总距离为628m、327m、287m、208m。随着代理数增加,本发明能够快速找到主用户进行频谱感知。
综上所述,本发明的优点及积极效果为:本发明通过应用粒子群算法,使代理在移动的过程中能够快速趋近网络中存在的主用户信号并进行频谱感知,以免造成无法感知到主用户存在而出现的频谱浪费或影响主用户通信的情况。
本发明利用代理完成协作感知,在主用户处于移动状态下,减少大量次级用户寻找可用频谱造成的能量损失,同时避免了次级用户在处于主用户覆盖范围外时无法检测到主用户而误认为此时主用户没有进行通信,对主用户的通信造成影响。
本发明在检测过程中利用粒子群算法,通过网络中代理的协同进行频谱感知,其收敛速度快、设置参数少、实现简单的特点可以满足功能单一的代理完成检测,提高了感知的可靠性。
附图说明
图1是本发明实施例提供的基于群体智能移动代理协作感知方法流程图。
图2是本发明实施例提供的基于群体智能移动代理协作感知方法实现流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明可以通过在网络中部署移动代理,利用粒子群算法与其它代理进行协同;在主用户处于移动状态的情况下,对无线环境及主用户进行检测,完成协作频谱感知。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的基于群体智能移动代理协作感知方法包括以下步骤:
S101:在网络中均匀地部署移动代理,主用户流量模型为on-off模型;
S102:主用户移动遵循随机位点模型,在两次移动的期间有一个暂停时段;在主用户暂停时段开始时,代理进行初始化,包括速度,适应度值,自身最优位置,全局最优位置;
S103:代理评估自身位置,判断是否需要移动,若所有的代理都不需要移动,转到S104;
S104:代理利用能量感知方法进行本地频谱感知,获得感知数据;
S105:代理获取的感知数据与预先设置的门限作比较,得到最终的感知结果;特别地,如果20轮后还没有找到任何一个主用户,判断主用户处于off状态;
S106:若在暂停时段感知到所有主用户,或已到达主用户下一次移动的时间,迭代停止;否则,转到S103。
在步骤S103中代理位置有三种情况:
(1)代理不在任何一个主用户覆盖范围内,此时,代理依照全局粒子群算法更新位置及速度;
(2)代理接受到的功率大于阈值,且感知同一主用户信号的代理数目未超过上限,则判断已经处于某一主用户覆盖范围内,速度与位置不再更新,该主用户覆盖范围内接收功率最大的一个代理位置成为全局最优位置;特别地,如果已经检测到的主用户由on状态转变为off状态,则当前全局最优位置不再改变,其余代理清除自身最优信息,变更为仅有社会模型的粒子群算法;
(3)代理接受到的功率大于阈值,但感知同一主用户信号代理数目超过上限,此时,接收功率最弱的代理清除全局最优信息并初始化参数,转而寻找其它主用户。
下面结合附图对本发明的应用原理作进一步的描述。
如图1所示,本发明实施例提供的基于群体智能移动代理协作感知方法具体包括以下步骤:
步骤一,初始化网络环境;
在网络中均匀地部署移动代理,主用户流量模型为on-off模型;部署的移动代理具有认知模块、通信模块、存储模块控制移动模块;主用户处于通信的状态为on,暂未使用该频段的状态为off,可表示为:
步骤二,初始化代理状态;
主用户移动遵循随机位点模型。主用户在网络中随机均匀地选择目的地,移动过程中速度从[vmin,vmax]中随机选择。两次移动之间有一个暂停时间Tp,在该时间内主用户保持静止,然后根据相同的规则再次开始移动。主用户的暂停时段是公开的,通过网络获取存储在代理中在两次移动的期间有一个暂停时段;
在主用户暂停时段开始时,代理进行初始化,包括速度,适应度值,自身最优位置,全局最优位置。
步骤三,代理判断是否需要移动;
代理评估自身位置,判断是否需要移动,若所有的代理都不需要移动,转到步骤4,代理位置有三种情况:
代理不在任何一个主用户覆盖范围内,此时,代理依照全局粒子群算法,模拟鸟群的捕食行为,每个个体效仿相邻个体的成功经验,搜索一个目标空间的最佳区域。每个代理被视作一个粒子,粒子群的概念被用于寻找正在通信中的主用户。在每次迭代中,代理朝着全局最优位置,即距离某一主用户最近、接收功率最大的代理移动,速度和位置更新依照以下公式进行:
vi(t+1)=ωvi(t)+c1r1(t)[ypb(t)-xi(t)]+c2r2(t)[ygb(t)-xi(t)]
xid(t+1)=xid(t)+vid(t+1)
其中,vi是粒子i在t时刻的速度,xi是粒子i在t时刻的位置,c1和c2是加速度常量,为正数,分别用来度量认知成分和社会成分对于速度更新的贡献r1、r2是在区间[0,1]上的随机数,ω是惯性权重,控制着粒子的惯性,衡量前一时刻的速度对于下次移动的影响,ypb(t)是自身最优位置,为t时刻代理i所经历的过的最优位置,ygb(t)是全局最优位置,为t时刻网络中所有代理所经历的最优位置;代理的位置评价根据接收功率的大小进行判定:
代理接受到的功率大于阈值,即主用户信号能够传播的最远位置的强度,且代理数目未超过上限:3个,则判断已经处于某一主用户覆盖范围内,速度与位置不再更新,该主用户覆盖范围内接收功率最大的一个代理位置成为全局最优位置;特别地,如果已经检测到的主用户由on状态转变为off状态,则当前全局最优位置不再改变,其余代理清除自身最优信息,变更为仅有社会模型的粒子群算法,不再参照代理自身所经历的最优位置,速度更新公式变更为:
vi(t+1)=ωvi(t)+c2r2(t)[ygb(t)-xi(t)];
代理接受到的功率大于阈值,但代理数目超过上限,此时,接收功率最弱的代理清除全局最优信息并初始化参数,转而寻找其它主用户。
步骤四,进行频谱感知;
代理利用能量感知方法,将信号接收器收到信号通过带通滤波器处理,再对滤波数据后的信号数据依次进行平方和积分,得到每个代理的能量感知数据。
步骤五,感知结果判定;
代理获取的感知数据与预先设置的门限作比较,得到最终的感知结果;特别地,如果20轮后还没有找到任何一个主用户,判断主用户处于off状态。
步骤六,判断迭代是否结束;
若在暂停时段感知到所有主用户,或已到达主用户下一次移动的时间,迭代停止;否则,转到步骤三。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于群体智能移动代理协作感知方法,其特征在于,所述基于群体智能移动代理协作感知方法包括:
第一步,在网络中均匀地部署移动代理,主用户流量模型为on-off模型;
第二步,主用户移动遵循随机位点模型,在两次移动的期间有一个暂停时段;在主用户暂停时段开始时,代理进行初始化,包括速度,适应度值,自身最优位置,全局最优位置;
第三步,代理评估自身位置,判断是否需要移动,若所有的代理都不需要移动,转到第四步;
第四步,代理利用能量感知方法进行本地频谱感知,获得感知数据;
第五步,代理获取的感知数据与预先设置的门限作比较,得到最终的感知结果;特别地,如果20轮后还没有找到任何一个主用户,判断主用户处于off状态;
第六步,若在暂停时段感知到所有主用户,或已到达主用户下一次移动的时间,迭代停止;否则,转到第三步;
所述第三步具体包括:
(1)代理不在任何一个主用户覆盖范围内,代理依照全局粒子群算法更新位置及速度;
(2)代理接受到的功率大于阈值,且感知同一主用户信号的代理数目未超过上限,则判断已经处于某一主用户覆盖范围内,速度与位置不再更新,该主用户覆盖范围内接收功率最大的一个代理位置成为全局最优位置;如果已经检测到的主用户由on状态转变为off状态,则当前全局最优位置不再改变,其余代理清除自身最优信息,变更为仅有社会模型的粒子群算法;
(3)代理接受到的功率大于阈值,但感知同一主用户信号代理数目超过上限;接收功率最弱的代理清除全局最优信息并初始化参数,转而寻找其它主用户。
3.如权利要求1所述的基于群体智能移动代理协作感知方法,其特征在于,所述第二步具体包括:主用户移动遵循随机位点模型,主用户在网络中随机均匀地选择目的地,移动过程中速度从[vmin,vmax]中随机选择;两次移动之间有一个暂停时间Tp,在该时间内主用户保持静止;然后根据相同的规则再次开始移动;主用户的暂停时段是公开的,通过网络获取存储在代理中在两次移动的期间有一个暂停时段;在主用户暂停时段开始时,代理进行初始化,包括速度,适应度值,自身最优位置,全局最优位置。
4.如权利要求1所述的基于群体智能移动代理协作感知方法,其特征在于,所述第三步具体包括:
代理不在任何一个主用户覆盖范围内,代理依照全局粒子群算法,模拟鸟群的捕食行为,每个个体效仿相邻个体的成功经验,搜索一个目标空间的最佳区域;每个代理被视作一个粒子,粒子群的概念被用于寻找正在通信中的主用户;在每次迭代中,代理朝着全局最优位置,即距离某一主用户最近、接收功率最大的代理移动,速度和位置更新依照以下公式进行:
vi(t+1)=ωvi(t)+c1r1(t)[ypb(t)-xi(t)]+c2r2(t)[ygb(t)-xi(t)]
xid(t+1)=xid(t)+vid(t+1)
其中,vi是粒子i在t时刻的速度,xi是粒子i在t时刻的位置,c1和c2是加速度常量,为正数,分别用来度量认知成分和社会成分对于速度更新的贡献r1、r2是在区间[0,1]上的随机数,ω是惯性权重,控制着粒子的惯性,衡量前一时刻的速度对于下次移动的影响,ypb(t)是自身最优位置,为t时刻代理i所经历的过的最优位置,ygb(t)是全局最优位置,为t时刻网络中所有代理所经历的最优位置;代理的位置评价根据接收功率的大小进行判定:
代理接受到的功率大于阈值,即主用户信号能够传播的最远位置的强度,且代理数目未超过上限:3个,则判断已经处于某一主用户覆盖范围内,速度与位置不再更新,该主用户覆盖范围内接收功率最大的一个代理位置成为全局最优位置;如果已经检测到的主用户由on状态转变为off状态,则当前全局最优位置不再改变,其余代理清除自身最优信息,变更为仅有社会模型的粒子群算法,不再参照代理自身所经历的最优位置,速度更新公式变更为:
vi(t+1)=ωvi(t)+c2r2(t)[ygb(t)-xi(t)];
代理接受到的功率大于阈值,但代理数目超过上限,接收功率最弱的代理清除全局最优信息并初始化参数,转而寻找其它主用户。
5.一种应用权利要求1~4任意一项所述的基于群体智能移动代理协作感知方法的认知无线网络系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910167672.4A CN110012473B (zh) | 2019-03-06 | 2019-03-06 | 基于群体智能移动代理协作感知方法、认知无线网络系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910167672.4A CN110012473B (zh) | 2019-03-06 | 2019-03-06 | 基于群体智能移动代理协作感知方法、认知无线网络系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110012473A CN110012473A (zh) | 2019-07-12 |
CN110012473B true CN110012473B (zh) | 2022-03-08 |
Family
ID=67166558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910167672.4A Active CN110012473B (zh) | 2019-03-06 | 2019-03-06 | 基于群体智能移动代理协作感知方法、认知无线网络系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110012473B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105099587A (zh) * | 2015-09-23 | 2015-11-25 | 哈尔滨工业大学 | 移动场景下认知无线电频谱感知系统检测性能参量获得方法 |
CN106230528A (zh) * | 2016-07-27 | 2016-12-14 | 广东工业大学 | 一种认知无线网络频谱分配方法及系统 |
CN106341791A (zh) * | 2016-09-23 | 2017-01-18 | 宁波大学 | 认知无线电频谱感知动态判决方法 |
CN106603500A (zh) * | 2016-11-20 | 2017-04-26 | 西安电子科技大学 | 认知无线网络中基于关系匹配的频谱感知数据检测方法 |
CN106992823A (zh) * | 2017-03-02 | 2017-07-28 | 南京邮电大学 | 一种认知无线电网络频谱感知方法 |
CN107426212A (zh) * | 2017-07-25 | 2017-12-01 | 西安电子科技大学 | 一种认知无线网络中基于代理的入侵检测方法 |
CN107454598A (zh) * | 2017-07-20 | 2017-12-08 | 浙江大学 | 一种基于i/q不平衡的主用户仿真攻击检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8725179B2 (en) * | 2012-03-09 | 2014-05-13 | Toyota Jidosha Kabushiki Kaisha | System for distributed spectrum sensing in a highly mobile vehicular environment |
-
2019
- 2019-03-06 CN CN201910167672.4A patent/CN110012473B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105099587A (zh) * | 2015-09-23 | 2015-11-25 | 哈尔滨工业大学 | 移动场景下认知无线电频谱感知系统检测性能参量获得方法 |
CN106230528A (zh) * | 2016-07-27 | 2016-12-14 | 广东工业大学 | 一种认知无线网络频谱分配方法及系统 |
CN106341791A (zh) * | 2016-09-23 | 2017-01-18 | 宁波大学 | 认知无线电频谱感知动态判决方法 |
CN106603500A (zh) * | 2016-11-20 | 2017-04-26 | 西安电子科技大学 | 认知无线网络中基于关系匹配的频谱感知数据检测方法 |
CN106992823A (zh) * | 2017-03-02 | 2017-07-28 | 南京邮电大学 | 一种认知无线电网络频谱感知方法 |
CN107454598A (zh) * | 2017-07-20 | 2017-12-08 | 浙江大学 | 一种基于i/q不平衡的主用户仿真攻击检测方法 |
CN107426212A (zh) * | 2017-07-25 | 2017-12-01 | 西安电子科技大学 | 一种认知无线网络中基于代理的入侵检测方法 |
Non-Patent Citations (11)
Title |
---|
Analysis of Spectrum Handoff Schemes in Cognitive Radio Network Using Particle Swarm Optimization;Abdulraqeb Alhammadi等;《2016 IEEE 3rd International Symposium on Telecommunication Technologies》;20161130;全文 * |
Cognitive radio systems [(CRS) applications] in the land mobile service;3GPP;《Annex 26 to Working Party 5A Chairman’s Report》;20120603;全文 * |
Image Processing Techniques as a Support to Transmitter Positioning Determination in Cognitive Radio Networks;Liliana Bolea等;《2010 Sixth Advanced International Conference on Telecommunications》;20100515;全文 * |
Multi-agent systems negotiation approach for handoff in;Emna Trigui等;《2012 5th International Conference on New Technologies, Mobility and Security (NTMS)》;20120510;全文 * |
Study on Multi-RAT joint coordination;3GPP;《3GPP TR 37.870 V1.2.0》;20150430;全文 * |
基于主用户移动性的感知用户时间分配方法研究;张光宇;《中国优秀硕士学位论文电子期刊网》;20170228;全文 * |
基于认知用户移动性的频谱感知研究;段梅梅;《中国博士学位论文电子期刊网》;20180228;全文 * |
移动场景下基于能量监测频谱感知算法研究;贾丹;《中国优秀硕士学位论文电子期刊网》;20150228;全文 * |
认知无线电网络多用户智能协作频谱感知算法;倪水平等;《测控技术》;20180418(第04期);全文 * |
认知无线网络中基于代理的动态频谱交易算法;张士兵等;《通信学报》;20130331;全文 * |
认知无线网络中收敛感知算法安全性检测;李红宁等;《西安电子科技大学学报》;20140630;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110012473A (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8295859B1 (en) | System and method of exploiting location awareness to improve wireless cognitive radio | |
Chembe et al. | Spectrum sensing in cognitive vehicular network: State-of-Art, challenges and open issues | |
CN103997748B (zh) | 一种基于混合型传感器网络的差异覆盖方法 | |
CN108712748A (zh) | 一种基于强化学习的认知无线电抗干扰智能决策的方法 | |
CN106686641A (zh) | 一种定向无线自组织网络链路可用带宽预测方法 | |
Kim et al. | Impact of an interfering node on unmanned aerial vehicle communications | |
Ashraf et al. | Optimization of the overall success probability of the energy harvesting cognitive wireless sensor networks | |
Yamamoto et al. | Spatial compression of sensing information for exploiting the vacant frequency resource using radio sensors | |
CN102291713B (zh) | 一种缓减主用户仿真攻击影响的方法 | |
Alablani et al. | An SDN/ML-based adaptive cell selection approach for HetNets: a real-world case study in London, UK | |
Dai et al. | Reinforcement learning based power control for vanet broadcast against jamming | |
CN110012473B (zh) | 基于群体智能移动代理协作感知方法、认知无线网络系统 | |
CN111741520B (zh) | 一种基于粒子群的认知水声通信系统功率分配方法 | |
Khajavi et al. | A novel framework for spectrum sensing in cognitive radio networks | |
CN105007585B (zh) | 基于中断概率能效最大的功率分配方法 | |
Huang et al. | Fast spectrum sharing in vehicular networks: A meta reinforcement learning approach | |
CN104754747A (zh) | 高密度无线局域网部署的信道分配方法 | |
CN107493566B (zh) | 一种自适应不规则拓扑动态路径规划方法 | |
Jiang et al. | User rate and energy efficiency of HetNets based on Poisson cluster process | |
CN102118744A (zh) | 一种合作频谱感知中安全的合作用户选择方法 | |
CN109088684B (zh) | 一种基于无人机的异构频谱网络三维频谱感知方法 | |
Zhang et al. | Study on the user density identification via improved whale optimization algorithm in device-to-device communication | |
Hirose et al. | Low-power V2M communication system with fast network association capability | |
Narottama et al. | Device discovery schemes for energy-efficient cluster head rotation in d2d | |
Chin et al. | Pipelined neural network assisted mobility speed estimation over doubly-selective fading channels |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |